---

前言

本文为8月25日计算机视觉理论学习笔记，分为四个章节：

• R-FCN；
• YOLO v1；
• YOLO v2；
• YOLO v3.

---

一、R-FCN

适应全卷积化 CNN 结构，提出全卷积化设计——共享 ResNet 所有卷积层。

引入变换敏感性（Translation variance）：

1. 位置敏感分值图（Position-sensitive score maps）；
2. 位置敏感池化（Position-sensitive RoI pooling）。

1、位置敏感卷积层

使用 $k^2(C+1)$ 个通道对组合进行编码：

• 类别：C个物体类+1个背景类；
• 相对位置：k×k 个 Grid（k=3）；
• 位置敏感分值图（Position-sensitive score maps）：
  • 每个分类 $k^2$ 个 score map；
  • score map 尺寸=图片尺寸。

2、位置敏感RoI池化层

显示编码相对位置的信息：

• 将 w×h 尺寸的 RoI 拆分成 k×k 个 $\frac{w}{k}\times \frac{h}{k}$ 尺寸的 bin；
• 不同颜色的 bin 对应不同颜色的 score map；
• Bin 内做均值池化；
• 输出尺寸：$k\times k\times (C+1)$。

3、多任务损失函数

• 总损失：$L(s,t_{x,y,w,h})=L_{cls}(s_{c^{\ast }})+\lambda [c^{\ast }>0]L_{reg}(t,t^{\ast })$；
• 分类损失函数：$L_{cls}(s_{c^{\ast }})=-log(s^{\ast })$；
• Bounding box 回归损失函数：
  • $4k^2$ 通道的位置敏感卷积层：$L_{reg}(t_i,t^{\ast })=R(t_i-t^{\ast })$。

4、训练

OHEM（Online Hard Example Mining）：

1. 首先对 RPN 获得的候选 RoI 进行排序操作；
2. 然后在含有正样本的 RoI 中选择前 N个RoI，将正负样本的比例维持在1：3的范围内，保证每次抽取的样本中都会含有一定的正样本。

---

二、YOLO v1

YOLO 将物体检测任务当做一个 regression 问题来处理：

1. 将图像 resize 到 448×448 作为神经网络的输入；
2. 使用一个神经网络，从一整张图像预测出 bounding box 的坐标、box 中包含物体的置信度和物体的可能性；
3. 然后进行非极大值抑制，筛选 boxes。

• 步骤：

  1. Pretrain；
  2. 将 Pretrain 的结果的前20层卷积层应用到 Detection 中，并加入剩下的4个卷积层及2个全连接；
  3. 将所有的预测结果都归一化到0~1，使用 Leaky ReLu 作为激活函数；
  4. 将一幅图像分成 $S\times S$ 个网格（grid cell）；
  5. 每一个栅格预测 $B$个 bounding boxes 以及它们的 confidenc scores。confidenc scores 反映了模型对于这个栅格的预测：该栅格是否含有物体，以及这个 box 的坐标预测的有多准；
  6. $confidence=Pr(Object)\times Io{U}_{pred}^{truth}$；
  7. 若该栅格不存在 object，则 confidenc scores 为 0；否则，confidenc scores 为 predicted bounding box 和 ground truth box 之间的 IoU（Intersection over union）。

• 网络结构： 由24个卷积层与2个全连接层构成，网络入口为 448×448，输出结果为一个张量：

  • 输出维度：$S\times S\times (B\times 5+C)$；
  • 其中，$S$ 为划分网格数，$B$ 为每个网格负责目标个数，$C$ 为类别个数。

• NMS（非极大值抑制）：

  1. 首先从所有的检测框中找到置信度最大的那个框；
  2. 然后挨个计算其与剩余框的 IoU，若其值大于一定阈值（重合度过高），那么就将该框提出；
  3. 重复上述过程，直到处理完所有的检测框。

• 优点：

  1. 检测物体的速度很快；
  2. 假阳性率低；
  3. 能学到更加抽象的物体的特征。

• 不足：

  1. 检测精度较低；
  2. 容易产生物体的定位错误；
  3. 对小物体的检测效果不好。

---

三、YOLO v2

• Batch Normalization： 提高模型收敛速度；

• Dimension Clusters： 使用 K-means 聚类方法训练 bounding boxes，可自动找到更好的 boxes 宽高维度；

• Multi-scale Training： 模型只包含卷积层和 pooling 层，因此可以随时改变输入尺寸。每经过10次训练，就会随机选择新的图片尺寸进行训练。

---

四、YOLO v3

• 使用了一个 53层的卷积网络，由残差单元叠加而成；
• 使用逻辑回归预测每个编辑框的分数；
• 损失函数：binary cross-entropy。

---